論文の概要: Early Detection and Classification of Breast Cancer Using Deep Learning Techniques

• arxiv url: http://arxiv.org/abs/2501.12217v1
• Date: Tue, 21 Jan 2025 15:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:19.136685
• Title: Early Detection and Classification of Breast Cancer Using Deep Learning Techniques
• Title（参考訳）: 深層学習法による乳癌の早期発見と分類
• Authors: Mst. Mumtahina Labonno, D. M. Asadujjaman, Md. Mahfujur Rahman, Abdullah Tamim, Mst. Jannatul Ferdous, Rafi Muttaki Mahi,
• Abstract要約: WHOによると、乳がんは世界で最も致命的ながんの1つで、世界中で毎年大量の患者が死亡している。 乳がんの早期発見に自動化を使用することで、人工知能と機械学習技術は最良の結果を得るために実装できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Breast cancer is one of the deadliest cancers causing about massive number of patients to die annually all over the world according to the WHO. It is a kind of cancer that develops when the tissues of the breast grow rapidly and unboundly. This fatality rate can be prevented if the cancer is detected before it gets malignant. Using automation for early-age detection of breast cancer, Artificial Intelligence and Machine Learning technologies can be implemented for the best outcome. In this study, we are using the Breast Cancer Image Classification dataset collected from the Kaggle depository, which comprises 9248 Breast Ultrasound Images and is classified into three categories: Benign, Malignant, and Normal which refers to non-cancerous, cancerous, and normal images.This research introduces three pretrained model featuring custom classifiers that includes ResNet50, MobileNet, and VGG16, along with a custom CNN model utilizing the ReLU activation function.The models ResNet50, MobileNet, VGG16, and a custom CNN recorded accuracies of 98.41%, 97.91%, 98.19%, and 92.94% on the dataset, correspondingly, with ResNet50 achieving the highest accuracy of 98.41%.This model, with its deep and powerful architecture, is particularly successful in detecting aberrant cells as well as cancerous or non-cancerous tumors. These accuracies show that the Machine Learning methods are more compatible for the classification and early detection of breast cancer.
• Abstract（参考訳）: WHOによると、乳がんは世界で最も致命的ながんの1つで、世界中で毎年大量の患者が死亡している。 乳房の組織が急速に無拘束に成長する際に発生するがんの一種である。 がんが悪性になる前にがんが検出されれば、この死亡率を防ぐことができる。 乳がんの早期発見に自動化を使用することで、人工知能と機械学習技術は最良の結果を得るために実装できる。 本研究では、カグル鉱床から収集された乳がん画像分類データセットを用いて、良性、悪性、正常の3つのカテゴリに分類する。この研究では、ResNet50、MobileNet、VGG16、ReLU活性化機能を利用したカスタムCNNモデル、ResNet50、MobileNet、VGG16、およびデータセット上で記録された98.41%、97.91%、98.19%、92.94%の精度でResNet50、MobileNet、VGG16を含む3つの事前訓練済みモデルを紹介する。 このモデルは、深く強力な構造を持ち、特に癌性または非癌性腫瘍と同様に異常な細胞を検出することに成功している。 これらのアキュラシーは、機械学習手法が乳がんの分類と早期発見に適合していることを示している。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Computer Aided Detection and Classification of mammograms using Convolutional Neural Network [0.0]
  乳癌は、肺癌に次いで、女性の間で最も大きな死因の1つである。 ディープラーニング(Deep Learning)またはニューラルネットワーク(Neural Network)は、正常な乳房の識別と不規則な乳房の識別に使用できる手法の1つである。 CNNMデータセットは、正常な460枚の画像と異常な乳房の920枚の画像で使用されている。
  論文  参考訳（メタデータ） (2024-09-04T03:42:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
  ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。 本稿では,CNNを用いた皮膚病変分類問題について検討する。 本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-04-01T15:06:20Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images [0.0]
  ディープニューラルネットワーク(Deep Neural Network, DNN)は、乳がんの検出精度を向上させるために一般的に用いられる。 病理組織像のデータセットを用いて,乳がん検出のための事前訓練深達度学習モデルの解析を行った。 転送学習モデルを解析した結果,ResNet50の精度は90.2%,曲線下面積(AUC)は90.0%,リコール率は94.7%,限界損失は3.5%であった。
  論文  参考訳（メタデータ） (2023-04-11T07:17:55Z)
• Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
  提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。 分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
  論文  参考訳（メタデータ） (2022-09-03T09:27:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Comparison of different CNNs for breast tumor classification from ultrasound images [12.98780709853981]
  超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。 乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。 最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
  論文  参考訳（メタデータ） (2020-12-28T22:54:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。